Filtraggio bayesiano on-line per il miglioramento dei sistemi di generazione di allarmi IPO/Iperglicenici in dispositivi per il monitoraggio in continua del glucosio

Nei primi anni di questo millennio sono stati introdotti sul mercato i dispositivi CGM (Continuous Glucose Monitoring), che costituiscono una nuova frontiera nel campo del controllo della terapia del diabete. I dispositivi CGM sono apparecchi mini-invasivi e “wearable”, consentono il monitoraggio della glicemia in modo quasi costante e sono potenzialmente in grado di segnalare episodi ipo/iperglicemici in tempo reale, se non addirittura in anticipo, grazie all’uso di tecniche di predizione. Tuttavia, le prestazioni di questi dispositivi nella generazione di allarmi ipo/iperglicemici sono ancora abbastanza limitate e la percentuale di falsi allarmi è piuttosto elevata (stimata fino al 50%). Una delle principali cause della generazione inefficiente degli allarmi consiste nel rumore di misura di cui il segnale acquisito è inevitabilmente affetto. Al fine di garantire misurazioni più precise, si possono introdurre procedure di filtraggio (denoising) in tempo reale. Lo scopo di questa tesi è verificare e quantificare il miglioramento delle prestazioni dei sistemi per la generazione di allarmi ipo/iperglicemici nei dispositivi CGM attraverso l’applicazione in tempo reale di un metodo di filtraggio bayesiano del segnale glicemico di recente sviluppo. In particolare, si sfrutta il fatto che il metodo è in grado di aumentare la qualità del segnale, incrementando il SNR, e di fornire contestualmente una stima della precisione dei campioni glicemici filtrati, parametro utile per valutare se generare o meno un allarme